基于DBN的数字信号调制识别方法研究

发布时间：2020-12-12 01:19

　　针对4ASK,BPSK,QPSK,2FSK四种数字调制信号,提出在深度置信网络的深度学习模型下调制模式识别方法。对调制信号进行预处理,计算其高阶累积量作为输入训练的特征,在不同信噪比环境下生成调制信号,利用深度置信网络半监督学习的特点,将得到数据集用以深度置信网络的参数逐层训练来实现调制模式的特征提取和识别。仿真结果表明该方法识别率较为理想。 

【文章来源】：现代电子技术. 2020年05期 第22-24+29页 北大核心

【文章页数】：4 页

【部分图文】：

RBM结构

基于深度置信网络的调制识别算法，选取4ASK,BPSK,QPSK,2FSK四种数字调制信号的高阶累积量特征作为训练集和测试集，进行样本预处理，在构建深度置信网络的基础上进行训练学习，并将测试样本对网络进行测试。整个算法流程如图2所示。每类信号均随机生成信噪比分别为0 dB,10 dB和20 dB的信号，基于AWGN的背景条件下，计算其高阶累积量，得到样本，并同时生成标签。由于深度置信网络（见图3）的第一个RBM的输入数据范围为0～1，由表1可知各信号的各阶累积量的理论值，数据差异很大，因此需要将其进行归一化处理。归一化的作用在于将样本的统计分布性进行归纳，针对不同的高阶累积量，分别对生成样本的列向量进行归一化，使其满足RBM的输入数据范围，同时保留其特征。

每类信号均随机生成信噪比分别为0 dB,10 dB和20 dB的信号，基于AWGN的背景条件下，计算其高阶累积量，得到样本，并同时生成标签。由于深度置信网络（见图3）的第一个RBM的输入数据范围为0～1，由表1可知各信号的各阶累积量的理论值，数据差异很大，因此需要将其进行归一化处理。归一化的作用在于将样本的统计分布性进行归纳，针对不同的高阶累积量，分别对生成样本的列向量进行归一化，使其满足RBM的输入数据范围，同时保留其特征。构建深度置信网络时，输入层为高阶累积量的数量为7，输出层为需要判断的类型，即4种信号，输入层和输出层之间包含两层RBM，每层设置其包括100个神经元。RBM隐藏层的激活函数为sigm函数，输出层的激活函数为softmax，学习率为0.1。

【参考文献】：
期刊论文
[1]基于随机森林的低阶数字调制识别算法研究[J]. 谭正骄,施继红,胡继峰.  通信技术. 2018(03)
[2]基于混合受限波尔兹曼机的调制样式识别[J]. 杨安锋,赵知劲,陈颖.  杭州电子科技大学学报(自然科学版). 2017(06)
[3]应用深度学习的信号解调[J]. 黄媛媛,张剑,周兴建,卢建川.  电讯技术. 2017(07)
[4]一种通信信号的自动调制识别技术研究[J]. 梁晓芳,张臻,张东磊,殷明.  电子技术与软件工程. 2016(13)



本文编号：2911583